Chủ yếu có bốn cách knowledge representation được đưa ra như sau:
- Logical Representation
- Semantic Network Representation
- Frame Representation
- Production Rules
Các bài viết liên quan:
Logical Representation
Logical Representation là một ngôn ngữ với một số quy tắc cụ thể liên quan đến các mệnh đề và không có sự mơ hồ trong biểu diễn. Logical Representation có nghĩa là rút ra một kết luận dựa trên các điều kiện khác nhau. Biểu diễn này nêu ra một số quy tắc giao tiếp quan trọng. Nó bao gồm cú pháp và ngữ nghĩa được xác định chính xác hỗ trợ suy luận âm thanh. Mỗi câu có thể được dịch thành logic bằng cú pháp và ngữ nghĩa.
Cú pháp:
- Cú pháp là các quy tắc quyết định cách chúng ta có thể xây dựng các câu pháp lý theo logic.
- Nó xác định ký hiệu nào chúng ta có thể sử dụng trong knowledge representation.
- Cách viết các ký hiệu đó.
Ngữ nghĩa:
- Ngữ nghĩa là những quy tắc mà chúng ta có thể giải thích câu theo logic.
- Ngữ nghĩa cũng liên quan đến việc gán một ý nghĩa cho mỗi câu.
Logical Representation có thể được phân loại chủ yếu thành hai lôgic:
- Propositional Logics
- Predicate logics
Lưu ý: Chúng ta sẽ thảo luận về Logic điều kiện và Logic dự đoán trong các chương sau.
Ưu điểm của Logical Representation:
- Logical Representation cho phép chúng ta suy luận logic.
- Logical Representation là cơ sở cho các ngôn ngữ lập trình.
Nhược điểm của Logical Representation:
- Các Logical Representation có một số hạn chế và khó làm việc với nó.
- Kỹ thuật Logical Representation có thể không được tự nhiên cho lắm, và suy luận có thể không hiệu quả.
Lưu ý: Đừng nhầm với Logical Representation và suy luận logic vì Logical Representation là một ngôn ngữ biểu diễn và suy luận là một quá trình tư duy logic.
Xem thêm Suy luận trong Artificial intelligence
Semantic Network Representation
Semantic networks là sự thay thế của logic vị từ để knowledge representation. Trong Semantic networks, chúng ta có thể biểu diễn kiến thức của mình dưới dạng mạng đồ họa. Mạng này bao gồm các nút đại diện cho các đối tượng và các cung mô tả mối quan hệ giữa các đối tượng đó. Semantic networks có thể phân loại đối tượng theo các dạng khác nhau và cũng có thể liên kết các đối tượng đó. Semantic networks dễ hiểu và có thể dễ dàng mở rộng.
Sự thể hiện này chủ yếu bao gồm hai loại quan hệ:
- IS-A relation (Inheritance)
- Kind-of-relation
Ví dụ: Sau đây là một số câu lệnh mà chúng ta cần biểu diễn dưới dạng các nodes và arcs.
Các câu lệnh:
- Jerry là một con mèo.
- Jerry là động vật có vú
- Jerry thuộc sở hữu của Priya.
- Jerry có màu nâu.
- Tất cả các loài có vú đều là động vật.
Trong sơ đồ trên, chúng ta đã biểu diễn các dạng kiến thức khác nhau dưới dạng các nút và cung. Mỗi đối tượng được kết nối với một đối tượng khác bằng một quan hệ nào đó.
Hạn chế trong Semantic representation:
Các Semantic networks mất nhiều thời gian tính toán hơn trong thời gian chạy vì chúng ta cần duyệt qua cây mạng hoàn chỉnh để trả lời một số câu hỏi. Có thể trong trường hợp xấu nhất là sau khi duyệt qua toàn bộ cây, chúng tôi thấy rằng giải pháp không tồn tại trong mạng này.
Semantic networks cố gắng mô hình bộ nhớ giống như con người (có 1015 nơ-ron và liên kết) để lưu trữ thông tin, nhưng trên thực tế, không thể xây dựng một Semantic networks rộng lớn như vậy.
Các loại biểu diễn này không đầy đủ vì chúng không có bất kỳ bộ định lượng tương đương nào, ví dụ: cho tất cả, cho một số, không có, v.v.
Các Semantic networks không có bất kỳ định nghĩa tiêu chuẩn nào cho các tên liên kết.
Các mạng này không thông minh và phụ thuộc vào người tạo ra hệ thống.
Ưu điểm của Semantic networks:
- Semantic networks là một đại diện tự nhiên của tri thức.
- Semantic networks truyền đạt ý nghĩa một cách minh bạch.
- Các mạng này đơn giản và dễ hiểu.
Xem thêm Thay đổi TitleBar icon trong Java AWT và Swing
Frame Representation
Frame là một cấu trúc giống như bản ghi bao gồm một tập hợp các thuộc tính và giá trị của nó để mô tả một thực thể trong thế giới. frame là cấu trúc dữ liệu AI phân chia kiến thức thành các cấu trúc con bằng cách đại diện cho các tình huống khuôn mẫu. Nó bao gồm một bộ sưu tập các vị trí và giá trị vị trí. Các khe này có thể thuộc bất kỳ loại và kích cỡ nào. Các khe có tên và giá trị được gọi là các khía cạnh.
Facets: Các khía cạnh khác nhau của một vị trí được gọi là Các khía cạnh. Các khía cạnh là các tính năng của frame cho phép chúng ta đặt các ràng buộc vào frame. Ví dụ: Dữ kiện IF-NEEDED được gọi khi dữ liệu của bất kỳ vị trí cụ thể nào là cần thiết. Một frame có thể bao gồm bất kỳ số lượng khe cắm nào và một vị trí có thể bao gồm bất kỳ số lượng mặt nào và các khía cạnh có thể có bất kỳ số lượng giá trị nào. frame còn được gọi là knowledge representation bộ lọc khe trong trí tuệ nhân tạo.
Các frame có nguồn gốc từ các Semantic networks và sau đó được phát triển thành các lớp và đối tượng ngày nay của chúng ta. Một frame hình duy nhất không hữu ích nhiều. Hệ thống frame bao gồm một tập hợp các frame được kết nối với nhau. Trong frame, kiến thức về một đối tượng hoặc sự kiện có thể được lưu trữ cùng nhau trong cơ sở kiến thức. frame là một loại
công nghệ được sử dụng rộng rãi trong các ứng dụng khác nhau bao gồm xử lý ngôn ngữ tự nhiên và hình ảnh máy.
Ví dụ 2:
Giả sử chúng ta đang sử dụng một thực thể, Peter. Peter là một kỹ sư chuyên nghiệp, và anh ấy 25 tuổi, sống ở thành phố London, và quốc gia là Anh. Vì vậy, sau đây là đại diện frame cho điều này:
Ưu điểm của biểu diễn frame:
- Biểu diễn kiến thức frame làm cho việc lập trình dễ dàng hơn bằng cách nhóm các dữ liệu liên quan.
- Biểu diễn frame tương đối linh hoạt và được sử dụng bởi nhiều ứng dụng trong AI.
- Rất dễ dàng thêm các vị trí cho thuộc tính và quan hệ mới.
- Có thể dễ dàng bao gồm dữ liệu mặc định và tìm kiếm các giá trị bị thiếu.
- Biểu diễn frame dễ hiểu và dễ hình dung.
Nhược điểm của biểu diễn frame:
- Trong hệ thống frame, cơ chế suy luận không dễ dàng được xử lý.
- Cơ chế suy diễn không thể được tiến hành suôn sẻ bằng cách biểu diễn frame.
- Biểu diễn frame có một cách tiếp cận tổng quát hóa nhiều.
Production Rules
Production rules system bao gồm các cặp (điều kiện, hành động) có nghĩa là, “Nếu điều kiện thì hành động”. Nó chủ yếu có ba phần:
- The set of production rules
- Working Memory
- The recognize-act-cycle
Trong production rules, đại lý kiểm tra điều kiện và nếu điều kiện tồn tại thì production rule sẽ bắt đầu và hành động tương ứng được thực hiện. Phần điều kiện của quy tắc xác định quy tắc nào có thể được áp dụng cho một vấn đề. Và phần hành động thực hiện các bước giải quyết vấn đề liên quan. Quá trình hoàn chỉnh này được gọi là recognize-act-cycle.
Working Memory làm việc chứa mô tả trạng thái hiện tại của việc giải quyết vấn đề và quy tắc có thể ghi kiến thức vào bộ nhớ làm việc. Kiến thức này phù hợp và có thể kích hoạt các quy tắc khác.
Nếu có một tình huống (trạng thái) mới phát sinh, thì nhiều Production rules sẽ được bắn cùng nhau, đây được gọi là tập hợp xung đột. Trong tình huống này, tác nhân cần chọn một quy tắc từ các tập hợp này và nó được gọi là giải quyết xung đột.
Ví dụ:
- NẾU (tại bến xe buýt VÀ xe buýt đến) THEN hành động (lên xe buýt)
- NẾU (trên xe buýt VÀ trả tiền VÀ ghế trống) THEN hành động (ngồi xuống).
- NẾU (trên xe buýt VÀ chưa thanh toán) THEN hành động (trả phí).
- IF (xe buýt đến điểm đến) THEN hành động (xuống xe buýt).
Ưu điểm của Production rules:
- Các Production rules được thể hiện bằng ngôn ngữ tự nhiên.
- Các Production rules có tính mô-đun cao, vì vậy chúng tôi có thể dễ dàng xóa, thêm hoặc sửa đổi một quy tắc riêng lẻ.
Nhược điểm của Production rules:
- Production rules system không thể hiện bất kỳ khả năng học tập nào, vì nó không lưu trữ kết quả của vấn đề để sử dụng trong tương lai.
- Trong quá trình thực hiện chương trình, nhiều quy tắc có thể hoạt động do đó các hệ thống sản xuất dựa trên quy tắc không hiệu quả.
Xem thêm Toán tử Bitwise NumPy
